基于曲线波变换和核支撑矢量机的SAR自动目标识别方法研究

摘要

机器学习和多尺度几何分析理论已经渗透于多个学科，并在信号处理、图像处理、模式识别、信息检索、数据挖掘、自动控制等领域取得了丰富的成果。本文就是利用Curvelet变换和核机器学习方法研究SAR(Synthetic Aperture Radar)自动目标识别，以及SAR遮挡目标识别的相关问题，针对识别过程中的目标特征提取和机器学习机两个方面完成了如下工作：
　　 1.针对SAR目标特征提取问题，提出了基于曲线波变换的SAR自动目标识别方法。该方法利用Curvelet变换，对目标提取区域和轮廓两部分特征，其中轮廓信息可以弥补由于分割导致区域信息提取的误差。将轮廓和区域特征二者结合作为SAR目标的最终特征，进而利用支撑矢量机进行分类识别。实验结果表明本文提出的算法有效的提取了目标信息，提高了识别率。本文将该方法用于SAR遮挡目标的识别，实验结果表明该方法对于遮挡目标的识别问题同样具有较好的稳定性与有效性。
　　 2.鉴于小波的时频多分辨特性和良好的逼近特性，将小波与核支撑矢量机结合起来，构造了Meyer小波核，并将其用于SAR目标识别。小波函数的使用弥补了高斯核支撑矢量机对带有奇异点函数曲线逼近的缺陷，而对于光滑函数，小波核的逼近性能与高斯核相当(在同一数量级)。回归估计实验和SAR目标识别实验结果表明，本文所构造的小波核具有良好的回归估计和目标识别性能。该核函数的构造为应用核机器学习方法提供了更多可供选择的核函数。
　　 3.由于不同的核函数决定不同特征空间，小波核可张成一维空间最优基，但不能够简单的推广至高维空间。鉴于多尺度几何分析很好的高维信息处理能力，本文提出了一种类似曲线波变换机理的核支撑矢量机算法。该方法利用免疫克隆选择算法来选取最优投影向量，然后在最优方向上进行小波核映射。这种类似曲线波变换的机理可以实现对高维信息更好的逼近性能。本文将该方法用于回归估计和SAR自动目标识别，实验结果表明了本章算法的有效性。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景及意义

1.2 SAR图像目标识别的研究

1.3机器学习和调和分析

1.3.1人工神经网络

1.3 2机器学习的发展

1.3.3核支撑矢量机

1.3.4调和分析

1.4本论文主要工作

第二章曲线波变换和支撑矢量机算法

2.1多尺度几何分析基础

2.2曲线波变换

2.3支撑矢量机

2.3.1回归估计支撑矢量机

2.3.2模式识别支撑矢量机

2.3.3支撑矢量机性能分析

2.4小结

第三章基于曲线波变换的SAR自动目标识别

3.1引言

3.2基于曲线波变换的SAR自动目标识别算法

3.2.1曲线波变换算法

3.2.2 SAR自动目标识别算法

3.3 MSTAR数据实验和分析

3.3.1实验数据

3.3.2实验结果

3.4 SAR遮挡目标识别

3.4.1遮挡目标建模

3.4.2遮挡目标识别实验

3.5小结

第四章小波核支撑矢量机

4.1引言

4.2核支撑矢量机

4.3小波核支撑矢量机

4.4小波核支撑矢量机回归估计实验

4.5 SAR自动目标识别实验

4.6小结

第五章曲线波核支撑矢量机

5.1引言

5.2曲线波核构造

5.2.1曲线波核构造

5.2.2曲线波核方向向量选择

5.3回归估计实验

5.4 SAR自动目标识别实验

5.4小结

第六章总结与展望

致 谢

参考文献

硕士阶段研究成果